Une étude critique du respect du cadre juridique d’accessibilité aux handicapés

Scorer et classifier les établissements pouvant accueillir les personnes en situations de handicap

• Scripts de nettoyage des données (fonctions dédiées)
• Rapport d’étude
• Algorithmes de classification de l’accessibilité des établissements
• Interprétation des résultats des algorithmes de classification
• Application Web de localisation des Etablissements Sportifs
• Le code source de l’application et de l’étude

A propos des données

Le cadre juridique

“Les ERP doivent être […] accessibles à tous, quel que soit le type de handicap notamment physique, sensoriel, cognitif, mental ou psychique.”

• [Analyse par département sans référence à l’accessibilité] Atlas francilien du recensement des équipements sportifs
• [3 occurrences “handicap” en aparté - idée : focus sur grand-jeu, salles polyvalentes & gymnases] Les équipements sportifs du Grand Est
• [Contexte rural - uniquement problématique du temps d’accès] Dossier Pays du Lunévillois
• [Accessibilité aux handicapés 58% ZUS vs 54% !ZUS] L’offre en Zones urbaines sensibles

Bibliographie complète du RES

Un seul document sur 81 qui mentionne “handicap” dans le titre

• Il ne s’agit pas d’un projet juridique, l’objectif n’est donc pas d’étudier le cadre juridique des normes d’accessibilité en France.
• On se propose pas la suite de comparer les établissements en termes d’accessibilité afin de permettre d’identifier les établissements défaillants.

Tout projet de data-science devrait commencer par une analyse de la qualité des données.

• Données mal codées :
  • Ordre permuté dans les listes (Type d’utilisation, Types de locaux complémentaires…)
  • Espaces en trop (Période de mise en service : 1975-1984 vs 1975 - 1984)
  • Variable numérique (Emprise foncière de l’installation : des espaces, des points, des virgules, des m², m2, hectares, ha…)
• Données incertaines : variable “Etat de la fiche d’enquête”, modalité non-validée.

On s’intéresse en priorité aux critères bien renseignés (taux de valeurs manquantes faible).

On peut distinguer le sport comme pratique ou comme spectacle.

En matière de santé publique, l’accès à la pratique prévaut.

Par ailleurs la proportion des établissements “accessibles” dans l’ensemble est un élément important.

On distingue un écart colossal d’accessibilité aux handicapés moteurs (55%) vs sensoriels (3%)

On retrouve cette séparation des handicaps sensoriels vs moteurs dans la CAH des corrélations.

Les écarts d’accessibilité à la pratique sportive aux handicapés moteurs vs sensoriels

• Accessibilité aux personnes à mobilité réduite à l’aire de jeu
• Accessibilité aux personnes en situation de handicap sensoriel à l’aire de jeu

• Ski
• Natation
• Canoë
• Tir
• Danse
• Musculation
• Athlétisme

Des taux d’accessibilités très variables d’une famille d’équipement à l’autre.

Des taux d’accessibilités très variables d’un type d’équipement à l’autre.

Athlétisme, ski, natation, activités aquatiques & aériennes.

Mesuré avec un modèle logistique sur 9530 équipements d’athlétisme.

Pour continuer d’appréhender les données, on entraîne des modèles généralistes sur les variables communes aux différents types d’équipements.

Faute de temps pour tout explorer, on se concentre sur l’accessibilité aux aires de jeu pour les handicapés moteurs.

Pour tenir compte de toute la diversité des ES on construit le jeu d’entraînement de 100,000 observations par tirage stratifié par famille d’ES.

Fournir au bureau compétant un outil d’aide à la décision pour identifier les “mauvais élèves” ie non accessibles alors que les établissements similaires sont plutôt accessibles.

Fournir au site https://www.handiguide.sports.gouv.fr/ une liste des “bons élèves” ie les établissements accessibles malgré la pauvreté de l’offre dans les établissements similaires.

Pour aller plus loin, on pourrait fournir un outil de recherche d’alternative (complémentaire à https://www.handiguide.sports.gouv.fr/) qui permet de voir tous les ES par famille > type puis 1) trouver facilement les établissements accessible par handicap 2) référencer ceux qui ne le sont pas et mettre un lien direct pour leur envoyer un email demandant la mise aux normes (champ Email de la personne ressource + web-scrapping). Le lien ici

En plus de la correction des variables multi-catégorielles et numériques mal codées, on remplace également certaines variables multi-modales par la valeur moyenne de la cible calculée sur le jeu d’entraînement pour éviter le data leakage.

Le taux d’accessibilité moyen par famille d’établissement donne une AUC à 67.8% (sur les données de test).

Permet de continuer de découvrir des variables mal codées et d’identifier en priorité les variables les plus pertinentes.

Modèle de référence en termes d’interprétabilité.

Inteprétation de la contribution des variables pour les erreurs les plus extrêmes (SHAPLEY répartition des contributions)

• Pas de parking handicapé : contribution négative
• Lieu bien équipé : sanitaires, vestiaires chauffés, salle de cours, locaux complémentaires.
• Et pourtant non accessible aux handicapés moteurs.

Params :

• sample rows : 70%
• sample cols : 50%
• eta : 0.1
• min_child_weight : 10 (>10 obs par feuille)
• max-depth : 6
• nb_trees : 1500

On pourrait

• réduire la taille du modèle modèle (beaucoup trop gros : profondeur et nombre d’arbres)
• améliorer avec une grid-search (BayesianSearch ? l’entraînement est quand même lent !)
• ajouter des contraintes de monotonie, en particulier sur les variables de target-encoding
• créer de nouvelles features, à commencer par un target encoding plus complet (quand il y a trop peu d’observations…)
• recoder les variables numériques en déciles (factor) pour intepréter plus facilement les waterfalls.

Interprétation à l’aide d’un diagramme waterfall en triant les contributions en valeur absolue grâce à xgboostExplainer

L’outil

• Identifier les établissements accessibles par catégorie
• Identifier ceux qui ne sont pas accessibles et les contacter (adresse email dans le popup)
• Pour améliorer :
  • intégrer le score pour qualifier les bons/mauvais élèves. API plumber ou variable prédiction.
  • ajouter des données externes
  • meilleure UX pour le choix famille > type d’établissement
  • alternative à la recherche par département : rayon de XX km autour d’un point placé sur la carte
  • intégrer d’autres handicaps